L’intelligenza artificiale antifrode rappresenta oggi una corsa contro la scala e la velocità delle transazioni digitali. Infatti, la rete Mastercard elabora circa 160 miliardi di operazioni all’anno, con picchi che raggiungono le 70.000 transazioni al secondo durante i periodi di maggiore traffico, come le festività natalizie di dicembre.
Grazie per avere letto questo articolo, non dimenticare di iscriverti al nostro feed!
Individuare gli acquisti fraudolenti tra questi volumi, senza generare falsi allarmi, costituisce una sfida titanica. Tuttavia, i modelli di intelligenza artificiale più sofisticati possono ora analizzare ogni singola transazione, identificando quelle sospette in pochi millisecondi. Questo è precisamente il cuore di Decision Intelligence Pro (DI Pro), la piattaforma antifrode di punta di Mastercard.
Come funziona l’intelligenza artificiale antifrode di Mastercard
“DI Pro esamina specificamente ogni transazione e il rischio associato”, ha spiegato Johan Gerber, vicepresidente esecutivo per le soluzioni di sicurezza di Mastercard, in un recente podcast VB Beyond the Pilot. “Il problema fondamentale che stiamo cercando di risolvere è la valutazione in tempo reale.”
Inoltre, la piattaforma DI Pro è stata progettata specificamente per latenza e velocità. Dal momento in cui un consumatore avvicina la carta o clicca su “acquista”, quella transazione attraversa il livello di orchestrazione di Mastercard, ritorna sulla rete e poi prosegue verso la banca emittente. Tipicamente, questo processo si completa in meno di 300 millisecondi.
In definitiva, la banca prende la decisione finale di approvare o rifiutare l’operazione. Tuttavia, la qualità di tale decisione dipende dalla capacità di Mastercard di fornire un punteggio di rischio preciso e contestualizzato, basato sulla probabilità che la transazione sia fraudolenta.
La rete neurale ricorrente alla base dell’intelligenza artificiale antifrode
Al centro di DI Pro opera una rete neurale ricorrente (RNN) che Mastercard definisce architettura “inverse recommender”. Questa tratta il rilevamento delle frodi come un problema di raccomandazione: la RNN esegue un esercizio di completamento di pattern per identificare come i commercianti si relazionano tra loro.
Come ha chiarito Gerber: “Ecco dove sono stati prima, ecco dove sono adesso. Ha senso per loro? Avremmo raccomandato questo commerciante?”
Chris Merz, vicepresidente senior della data science di Mastercard, ha spiegato che il problema delle frodi può essere scomposto in due componenti:
- Il pattern comportamentale dell’utente legittimo
- Il pattern comportamentale del truffatore
- La capacità di distinguere questi due modelli in tempo reale
Peraltro, un’altra tecnica innovativa riguarda l’approccio di Mastercard alla sovranità dei dati. Per mantenere i dati “sul territorio”, il team antifrode si affida a dati aggregati e completamente anonimizzati, non sensibili a problemi di privacy e quindi condivisibili con modelli globali.
“Quindi puoi ancora avere i pattern globali che influenzano ogni decisione locale”, ha affermato Gerber. “Prendiamo un anno di conoscenza e lo comprimiamo in una singola transazione in 50 millisecondi per dire sì o no, questo è buono o questo è cattivo.”
Truffare i truffatori con l’intelligenza artificiale
Nonostante l’intelligenza artificiale stia aiutando aziende finanziarie come Mastercard, sta aiutando anche i truffatori. Di conseguenza, questi sono ora in grado di sviluppare rapidamente nuove tecniche e identificare nuove vie da sfruttare.
Mastercard sta contrattaccando ingaggiando i criminali informatici sul loro stesso terreno. Ad esempio, utilizza “honeypot”, ambienti artificiali progettati per intrappolare i cyber criminali. Quando gli attori delle minacce pensano di aver trovato un bersaglio legittimo, agenti AI interagiscono con loro nella speranza di accedere agli account mulo utilizzati per incanalare denaro.
Questo diventa “estremamente potente”, ha dichiarato Gerber, perché i difensori possono applicare tecniche di grafo per determinare come e dove gli account mulo sono connessi ad account legittimi. In altre parole, anche se un account è nascosto dieci livelli più in basso, i difensori possono mappare le reti di frode globali.
“È una cosa meravigliosa quando portiamo la lotta a loro, perché ci causano già abbastanza dolore”, ha affermato Gerber.
Le fasi cruciali per implementare l’intelligenza artificiale antifrode
Inoltre, secondo gli esperti di Mastercard, un’implementazione di successo dell’intelligenza artificiale dovrebbe incorporare tre fasi distinte: ideazione, attivazione e implementazione. Eppure, molte aziende saltano il secondo passaggio, quello dell’attivazione.
Peraltro, è stata essenziale la creazione di un documento di requisiti ingegneristici per la data science (DSERD) per allineare quattro team di ingegneria separati. Questo ha permesso di passare da “mille fiori che sbocciano” a progetti con un forte impatto aziendale reale.
Per concludere, l’importanza di una “prioritizzazione implacabile” e di decisioni difficili non può essere sottovalutata. Come ha sottolineato il team di Mastercard, è fondamentale concentrarsi su progetti che generano valore tangibile piuttosto che disperdere risorse su troppe iniziative simultanee.
Per approfondire ulteriori strategie di sicurezza digitale, visita il blog di Digital Seeds, dove troverai analisi approfondite sulle ultime tecnologie emergenti.
